奇格奇，張子賢，衛(wèi)振林，李寶文*

(北京交通大學(xué)，a.交通運(yùn)輸學(xué)院；b.綜合交通運(yùn)輸大數(shù)據(jù)應(yīng)用技術(shù)交通運(yùn)輸行業(yè)重點(diǎn)實(shí)驗(yàn)室；c.北京市城市交通信息智能感知與服務(wù)工程技術(shù)研究中心，北京100044)

0 引言

互聯(lián)網(wǎng)電商平臺(tái)的普及為人們提供了更加多樣性和更富便利性的線上服務(wù)，與之相匹配的快遞運(yùn)輸作為線下貨品的主要流動(dòng)方式也得到了快速發(fā)展。根據(jù)國家統(tǒng)計(jì)局年度數(shù)據(jù)顯示，2010—2020年間快遞量由23.4 億件上升至833.6 億件，快遞業(yè)務(wù)收入由574.6 億元增加至8795.0 億元，十年間快遞量增長近36 倍，快遞業(yè)務(wù)收入增長近15 倍。然而，與快遞業(yè)務(wù)迅猛增長相對(duì)應(yīng)的是相對(duì)滯后的快遞風(fēng)險(xiǎn)監(jiān)管與評(píng)價(jià)方法[1]。在快遞運(yùn)輸過程中，營運(yùn)貨車運(yùn)行風(fēng)險(xiǎn)通常是多因素耦合的結(jié)果[2]，而快遞所運(yùn)輸?shù)呢浧繁旧硪渤尸F(xiàn)高風(fēng)險(xiǎn)態(tài)勢。由于快遞運(yùn)輸所具有的成本低、隱蔽性強(qiáng)、地域廣的特點(diǎn)，部分不法分子通過快遞等物流方式運(yùn)送犯罪工具，寄遞過程中出現(xiàn)快遞貨品涉恐、涉暴、涉毒、涉槍等危害城市交通與城市運(yùn)行安全的問題，成為社會(huì)治安管理中的不穩(wěn)定因素，間接地增大了城市安全風(fēng)險(xiǎn)。

目前，國內(nèi)外關(guān)于快遞運(yùn)輸貨品風(fēng)險(xiǎn)識(shí)別方式主要分為兩類，一類是通過人工檢查核對(duì)《禁止寄遞物品指導(dǎo)目錄》(簡稱《指導(dǎo)目錄》)來發(fā)現(xiàn)違禁品，郭小偉[3]指出相關(guān)規(guī)定通過概括和列舉方法對(duì)違禁品進(jìn)行界定，并圍繞《指導(dǎo)目錄》分析了利用快遞運(yùn)輸進(jìn)行違禁品犯罪的現(xiàn)狀、原因及對(duì)策；賈健等[4]分析了利用快遞寄遞違禁品的相關(guān)案件，提出快遞實(shí)名、收寄驗(yàn)視、過機(jī)安檢的實(shí)施和改進(jìn)有助于快遞犯罪的治理。另一類則是通過圖像處理和識(shí)別技術(shù)作為輔助手段，判別貨品類別是否為違禁品，Mery等[5]回顧和比較了10種計(jì)算機(jī)視覺檢測算法，并應(yīng)用于檢測行李中的手槍、手里劍、刀片等3 種危險(xiǎn)對(duì)象，最高達(dá)到95%的目標(biāo)識(shí)別準(zhǔn)確率；王宇石等[6]利用X 射線安檢形成的偽彩色圖像，基于卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和部署了違禁品自動(dòng)識(shí)別系統(tǒng)；張友康等[7]提出一種多尺度違禁品檢測網(wǎng)絡(luò)，基于X光安檢圖像進(jìn)行違禁品檢測，改進(jìn)了小尺度違禁品、重疊遮擋、背景干擾條件下的檢測效果；Hong等[8]針對(duì)快遞包裹的X 光圖片，提出基于深度卷積神經(jīng)網(wǎng)絡(luò)的違禁品識(shí)別方法，相較于傳統(tǒng)方法識(shí)別準(zhǔn)確率提高了20%。然而，上述研究大多針對(duì)某一類違禁品進(jìn)行“非黑即白”的二元判斷，而未能進(jìn)一步量化評(píng)價(jià)快遞貨品隱含的風(fēng)險(xiǎn)，且相關(guān)檢測識(shí)別方法仍受限于《指導(dǎo)目錄》所列舉的貨品，面對(duì)種類繁多的快遞運(yùn)輸貨品，缺乏一定的自適應(yīng)調(diào)節(jié)與擴(kuò)展特性。

自然語言處理技術(shù)的不斷進(jìn)步為從快遞貨品文本描述中挖掘風(fēng)險(xiǎn)信息提供了新途徑?？爝f貨品的文本描述可來自快遞員的驗(yàn)視描述、寄件人的貨品描述，以及基于圖像識(shí)別的自動(dòng)化描述。前兩項(xiàng)通常合并為快遞訂單貨品描述，主要在快遞訂單生成時(shí)產(chǎn)生，而自動(dòng)化圖像識(shí)別描述主要發(fā)生在安檢過程。由于后者需要海量圖像數(shù)據(jù)的標(biāo)定與長時(shí)間的模型訓(xùn)練過程，本文中的貨品描述主要來自快遞訂單貨品描述。在傳統(tǒng)方法中，人工查驗(yàn)和評(píng)價(jià)快遞貨品風(fēng)險(xiǎn)仍是當(dāng)前最主要的風(fēng)險(xiǎn)識(shí)別和預(yù)警方法，安檢人員需要長時(shí)間無重點(diǎn)觀看掃描圖像，容易發(fā)生漏檢、錯(cuò)檢情況，即使利用圖像識(shí)別技術(shù)提高對(duì)貨品的識(shí)別準(zhǔn)確率，相應(yīng)貨品的風(fēng)險(xiǎn)程度仍難以評(píng)價(jià)，需要依賴檢驗(yàn)人員的主觀判斷。

為此，本文針對(duì)繁雜的貨品描述，利用網(wǎng)絡(luò)大數(shù)據(jù)資源提供的法院判決書文本信息，嘗試將相關(guān)犯罪工具(往往亦為快遞運(yùn)輸敏感貨物)與處罰輕重程度相關(guān)聯(lián)，結(jié)合隱狄利克雷分布與模糊均值聚類方法，以期通過語義分析、文本挖掘方法實(shí)現(xiàn)相關(guān)貨品風(fēng)險(xiǎn)模式的挖掘，進(jìn)而有效識(shí)別和量化快遞貨品語義風(fēng)險(xiǎn)。一方面能夠協(xié)助安檢工作人員合理分配注意力，另一方面為風(fēng)險(xiǎn)預(yù)警及應(yīng)對(duì)方案提供可量化的客觀指標(biāo)依據(jù)，有助于提高快遞貨品風(fēng)險(xiǎn)監(jiān)測管控能力，降低快遞運(yùn)輸貨品風(fēng)險(xiǎn)所導(dǎo)致的城市安全事件發(fā)生的可能性。

1 網(wǎng)絡(luò)文本數(shù)據(jù)

1.1 數(shù)據(jù)描述

《指導(dǎo)目錄》能夠?yàn)榭爝f貨品風(fēng)險(xiǎn)的甄別提供0或1的是非判斷，但并不足以提供可量化的快遞貨品風(fēng)險(xiǎn)值，從而進(jìn)行針對(duì)性的預(yù)警和應(yīng)對(duì)。為此，本文由網(wǎng)絡(luò)文本庫中獲取約10萬份法院公開刑事判決書作為基礎(chǔ)數(shù)據(jù)，嘗試從物流領(lǐng)域外部遷移學(xué)習(xí)貨品風(fēng)險(xiǎn)知識(shí)。

法院判決書數(shù)據(jù)來自2018—2019年全國34個(gè)省級(jí)行政區(qū)，以盡可能保證數(shù)據(jù)不受地域差異影響。法院判決書數(shù)據(jù)主體字段包含標(biāo)題、案號(hào)、法院、判決日期、原告、被告、庭審過程、判決結(jié)果、審判員、書記員、當(dāng)事人等部分。其中，判決書“庭審過程”“判決結(jié)果”字段中與作案工具和判決年限相關(guān)的內(nèi)容涉及到相關(guān)物品及其風(fēng)險(xiǎn)的度量，是支撐本文后續(xù)研究的關(guān)鍵信息。

1.2 數(shù)據(jù)預(yù)處理

從法院判決書數(shù)據(jù)中的文本內(nèi)容截取“作案工具”“判處”等提示語前后的信息，并通過數(shù)據(jù)搜索防止遺漏。提取完畢后，進(jìn)行無效信息剔除，除去不含作案工具的特殊案件、維持原判因而無判決結(jié)果的案件和重復(fù)案件，最后得到35135條可用于后續(xù)研究的有效數(shù)據(jù)。截取信息內(nèi)容如表1所示。

表1 有效數(shù)據(jù)截取內(nèi)容示例Table 1 Examples of extracted content of valid data

2 物品風(fēng)險(xiǎn)詞集構(gòu)建

2.1 物品風(fēng)險(xiǎn)權(quán)重

為剝離出更加準(zhǔn)確的物品名稱，去除作案工具前后的修飾詞和其他無關(guān)信息，采用Python中文分詞組件“Jieba”，對(duì)作案工具詞條進(jìn)行分詞及詞性判定，如表2所示。將作案工具視為詞性為名詞，即后綴帶有“/n”，根據(jù)分詞及詞性標(biāo)注結(jié)果，對(duì)其他詞性的詞(以“/△”表示，△為其他字母)進(jìn)行去除。此外，名詞中仍有大量無用詞與之后的語義分析無關(guān)，多為判決書中的常見高頻詞以及日常低風(fēng)險(xiǎn)物品。針對(duì)這些詞建立停用詞表，將這些與風(fēng)險(xiǎn)關(guān)聯(lián)度較低的詞剔除后，得到較為簡潔準(zhǔn)確的風(fēng)險(xiǎn)物品詞條，如表3所示。

表2 分詞及詞性判定示例Table 2 Examples of word segmentation and Chinese part-of-speech

法院判決書中的“作案工具”提供物品詞條，而“判決結(jié)果”則能夠揭示相應(yīng)物品可能造成的危害，且通常可用判決年限量化處罰程度。為刻畫物品風(fēng)險(xiǎn)權(quán)重，將判決結(jié)果文字描述轉(zhuǎn)化成數(shù)字形式，例如“有期徒刑一年六個(gè)月”轉(zhuǎn)化成“1.5”，其中“無期徒刑”轉(zhuǎn)化成“30”，“死刑”轉(zhuǎn)化成“50”。若有多個(gè)犯罪者則認(rèn)為主犯判刑即最重刑罰具有代表性，最終判決結(jié)果，即轉(zhuǎn)化成最長刑罰年限的數(shù)字形式。由此，可量化物品風(fēng)險(xiǎn)權(quán)重如表3所示。

表3 物品風(fēng)險(xiǎn)權(quán)重示例Table 3 Examples of goods risk weights

2.2 風(fēng)險(xiǎn)詞集

由法院判決書文本挖掘獲得的風(fēng)險(xiǎn)物品涉及到《指導(dǎo)目錄》中18個(gè)違禁品類別，圖2給出文本挖掘結(jié)果中補(bǔ)充《指導(dǎo)目錄》的比例情況?？梢?，針對(duì)“管制器具”“吸毒工具”“毒性物質(zhì)”“槍支彈藥”“爆炸物品”“毒品、麻醉藥品和精神藥品”等類別的補(bǔ)充最為顯著，而對(duì)“放射性物質(zhì)”“易制毒化學(xué)品”“瀕危野生動(dòng)物及其制品”“生化制品、傳染性”“感染性物質(zhì)”“遇水易燃物質(zhì)”保留原有集合未予以補(bǔ)充。同時(shí)，本文方法中也沒有包含“非法出版物、印刷品、音像制品等宣傳品”“非法偽造物品”“侵犯知識(shí)產(chǎn)權(quán)和假冒偽劣物品”“禁止進(jìn)出境物品”等較難從名稱上識(shí)別風(fēng)險(xiǎn)的物品類別。

圖2 風(fēng)險(xiǎn)詞云Fig.2 Risk words cloud

一個(gè)詞條中物品的風(fēng)險(xiǎn)與物品的風(fēng)險(xiǎn)權(quán)重及其發(fā)生頻率密切相關(guān)。通過風(fēng)險(xiǎn)權(quán)重值，給定物品詞條的重復(fù)次數(shù)，應(yīng)用于所有詞條生成物品風(fēng)險(xiǎn)詞集。在此過程中，更具危害的案件中詞條將根據(jù)判決結(jié)果被多次重復(fù)，而在多個(gè)案件中的相同詞條也將在詞集中反復(fù)出現(xiàn)，從而綜合考慮案件發(fā)生頻次及其危害程度。圖3 為利用本文中判決書數(shù)據(jù)所獲得的風(fēng)險(xiǎn)詞云，其中“毒品”的風(fēng)險(xiǎn)最大，這表明其發(fā)生頻率與可能造成的危害都較大。物品風(fēng)險(xiǎn)詞集是后續(xù)語義風(fēng)險(xiǎn)分析的輸入文本集合。

圖1 文本挖掘結(jié)果對(duì)《指導(dǎo)目錄》的補(bǔ)充比例Fig.1 Supplemental proportion of text mining results to guide catalogue

3 語義風(fēng)險(xiǎn)評(píng)價(jià)

基于語義挖掘的快遞運(yùn)輸貨品風(fēng)險(xiǎn)評(píng)價(jià)過程如圖3所示，主要由隱含狄利克雷分布與模糊均值聚類作為其核心方法。

圖3 基于語義挖掘的快遞運(yùn)輸貨品風(fēng)險(xiǎn)評(píng)價(jià)過程Fig.3 Risk evaluation process of express delivery goods based on semantic mining

3.1 隱含狄利克雷分布

隱含狄利克雷分布(Latent Dirichlet Allocation,LDA)[9]是一種常見的文檔主題生成模型，它以非監(jiān)督學(xué)習(xí)的方式對(duì)文本集的隱含語義結(jié)構(gòu)進(jìn)行學(xué)習(xí)，多被用于自然語言處理中的語義分析和文本挖掘問題。LDA 主題模型為一個(gè)三層貝葉斯概率模型，包含詞、主題和文檔三層結(jié)構(gòu)。主題是以文檔中所有詞為支撐集的概率分布，文檔中某主題出現(xiàn)的頻繁程度越高，表明與該主題關(guān)聯(lián)性高的詞有更大概率出現(xiàn)。

本文以法院判決書提取的簡潔詞條作為主題模型中的“文檔”，每個(gè)詞條中的物品名稱作為主題模型中的“單詞”，物品風(fēng)險(xiǎn)詞集即為“文檔”集。每一個(gè)詞條所屬的物品風(fēng)險(xiǎn)主題概率分布θdk與每一個(gè)物品風(fēng)險(xiǎn)主題中的物品名稱概率分布φkt為

式中：nd,k，nd,j為詞條d中歸屬于主題k與j的物品數(shù)量統(tǒng)計(jì)；nk,t，nk,l為詞集中歸屬于主題k的物品名稱t與l的數(shù)量統(tǒng)計(jì)；αk，αj為文檔中主題k與j的超參數(shù)；βt，βl為主題中物品名稱t與l的超參數(shù)；K為風(fēng)險(xiǎn)主題數(shù)量；T為物品名稱數(shù)量；j和l分別為主題和單詞編號(hào)。

模型具體學(xué)習(xí)步驟如下：

Step 1 依據(jù)歷史數(shù)據(jù)或經(jīng)驗(yàn)設(shè)定主題數(shù)K，并選取狄利克雷分布超參數(shù)α和β。

Step 2 初始化主題編號(hào)，隨機(jī)給每一篇文檔的每一個(gè)單詞分配主題編號(hào)，將第d條詞條中的第q個(gè)物品名稱定義為wi，其中i=(d,q)是一個(gè)二維下標(biāo)，wi對(duì)應(yīng)生成所述物品名稱的主題編號(hào)為Zi，。

Step 3 統(tǒng)計(jì)物品名稱在詞集中出現(xiàn)次數(shù)以及各個(gè)風(fēng)險(xiǎn)主題在詞集中的出現(xiàn)次數(shù)，并根據(jù)式(3)，重新計(jì)算wi分配到主題Zi=K的概率，從而更新主題編號(hào)，表示在集合中去除下標(biāo)為i的元素，W為風(fēng)險(xiǎn)詞集。

Step 4 循環(huán)Step 3，并判斷循環(huán)次數(shù)是否達(dá)到閾值或滿足判斷條件。若滿足條件，則停止計(jì)算，輸出θdk與φkt。判斷條件為

式中：n為迭代次數(shù)；ε為迭代停止閾值。

計(jì)算不同主題數(shù)下模型的困惑度MPerplexity，即

選擇最小困惑度所對(duì)應(yīng)的K，即為最佳主題數(shù)，式中D為文檔數(shù)量，即風(fēng)險(xiǎn)詞條數(shù)量。至此，LDA 主題模型將每個(gè)詞條用其對(duì)應(yīng)的風(fēng)險(xiǎn)主題分布量化表征。

3.2 模糊均值聚類

模糊均值聚類算法(Fuzzy C-Means，F(xiàn)CM)[10]作為K-means的軟聚類版本，被廣泛應(yīng)用于無監(jiān)督學(xué)習(xí)工程應(yīng)用中。本文根據(jù)詞條的風(fēng)險(xiǎn)主題分布θdk(k=1,2,…,K)及其對(duì)應(yīng)的風(fēng)險(xiǎn)權(quán)重?fù)Q算值δd組成風(fēng)險(xiǎn)詞條向量，其中風(fēng)險(xiǎn)權(quán)重?fù)Q算值與風(fēng)險(xiǎn)權(quán)重值范圍間的設(shè)置關(guān)系如表4所示。根據(jù)上文，風(fēng)險(xiǎn)權(quán)重值由案件判決結(jié)果獲得，數(shù)值越高代表刑期越長風(fēng)險(xiǎn)越大，風(fēng)險(xiǎn)權(quán)重?fù)Q算值則是對(duì)應(yīng)地將風(fēng)險(xiǎn)權(quán)重值換算為一定區(qū)間的標(biāo)準(zhǔn)化數(shù)值，設(shè)置最低風(fēng)險(xiǎn)值為0.5，最高風(fēng)險(xiǎn)值為1，中間風(fēng)險(xiǎn)值根據(jù)不同刑期區(qū)間進(jìn)行設(shè)定。在未來研究中，可嘗試結(jié)合刑法中相關(guān)規(guī)定進(jìn)一步標(biāo)定風(fēng)險(xiǎn)換算值。將風(fēng)險(xiǎn)詞條向量代入FCM聚類算法中，根據(jù)式(6)與式(7)循環(huán)迭代計(jì)算，直至收斂。設(shè)置不同聚類數(shù)C，采用模糊劃分系數(shù)(Fuzzy Partition Coefficient，F(xiàn)PC)評(píng)估聚類效果，獲得最佳聚類數(shù)，并在此條件下，計(jì)算獲得最終聚類中心。

表4 物品風(fēng)險(xiǎn)權(quán)重?fù)Q算值Table 4 Conversion value of goods risk weights

式中：xd為第d個(gè)風(fēng)險(xiǎn)詞條向量；vc，ve為類別c，類別e的聚類中心；udc為風(fēng)險(xiǎn)詞條向量對(duì)聚類中心的隸屬度；m為模糊因子，其最優(yōu)取值范圍在[1.5,2.5]，根據(jù)以往研究經(jīng)驗(yàn)，本文中取m=2.0；C為聚類中心個(gè)數(shù)；D為詞條數(shù)量。

提取聚類中心的前K個(gè)維度作為快遞貨品風(fēng)險(xiǎn)評(píng)價(jià)依據(jù)，即快遞貨品的風(fēng)險(xiǎn)主題分布，并計(jì)算風(fēng)險(xiǎn)評(píng)價(jià)值，從而量化表征快遞貨品yg的語義風(fēng)險(xiǎn)Rg。

式中：yg為目標(biāo)快遞貨品的風(fēng)險(xiǎn)主題分布；hs，he為類別s，類別e的風(fēng)險(xiǎn)主題聚類中心；ugs為目標(biāo)快遞貨品g對(duì)類別s的隸屬度；δs為類別s的風(fēng)險(xiǎn)權(quán)重?fù)Q算值；Rg為快遞貨品g的語義風(fēng)險(xiǎn)值。

4 結(jié)果分析

基于數(shù)據(jù)預(yù)處理后的35135 條法院判決書數(shù)據(jù)構(gòu)建出58777個(gè)詞條組成的風(fēng)險(xiǎn)詞集，通過LDA主題模型訓(xùn)練，主題模型困惑度如圖4所示，選擇困惑度最小的主題數(shù)量為4，獲得不同風(fēng)險(xiǎn)主題的特征詞分布，表5 為各主題中排序前5 的特征詞及其概率。其中，所涉及的物品不僅包含“毒品”“海洛因”“砍刀”“槍支”等違禁品，也存在一些如“鉗子”“剪刀”“扳手”等不在違禁品清單，但同樣在歷史案件中多次充當(dāng)作案工具的風(fēng)險(xiǎn)物品，應(yīng)根據(jù)不同風(fēng)險(xiǎn)評(píng)價(jià)值采取對(duì)應(yīng)的檢視措施。

圖4 主題模型困惑度Fig.4 Perplexity of topic model

表5 物品風(fēng)險(xiǎn)主題特征詞分布概率Table 5 Keywords probability of goods risk topics

根據(jù)LDA 主題模型結(jié)果，獲得各物品詞條的風(fēng)險(xiǎn)主題分布，如圖5所示。例如，物品詞條“槍支、彈藥、毒品”被量化表示為[0.062,0.063,0.321,0.554]的主題分布，即該詞條主要由主題4與主題3構(gòu)成。

圖5 物品詞條風(fēng)險(xiǎn)主題分布示例Fig.5 Examples of risk topic distributions of goods descriptions

在此基礎(chǔ)上，加入風(fēng)險(xiǎn)權(quán)重?fù)Q算值，組成風(fēng)險(xiǎn)詞條向量，如“槍支、彈藥、毒品”的風(fēng)險(xiǎn)詞條向量可被量化表征為[0.062,0.063,0.321,0.554,1.000]。隨后利用FCM 聚類算法進(jìn)行聚類，不同聚類數(shù)條件下的模糊劃分系數(shù)如圖6所示，選擇模糊劃分系數(shù)最大的713 類作為最優(yōu)聚類數(shù)。存儲(chǔ)模糊聚類類別中心點(diǎn)數(shù)據(jù)，供式(8)與式(9)計(jì)算風(fēng)險(xiǎn)評(píng)價(jià)值。

圖6 模糊劃分系數(shù)Fig.6 Fuzzy partition coefficient

以物流企業(yè)實(shí)際訂單中的快遞運(yùn)輸貨品描述，結(jié)合模擬風(fēng)險(xiǎn)信息作為異常輸入，測試風(fēng)險(xiǎn)評(píng)價(jià)效果。快遞運(yùn)輸貨品語義風(fēng)險(xiǎn)評(píng)價(jià)值超過0.5則被識(shí)別為需要進(jìn)一步預(yù)警和應(yīng)對(duì)的風(fēng)險(xiǎn)。設(shè)定模擬風(fēng)險(xiǎn)貨品總數(shù)為1000，正常貨品總數(shù)為9000。經(jīng)測試，本文提出方法的識(shí)別準(zhǔn)確率可達(dá)99.63%，誤報(bào)率為0.37%。表6為部分快遞運(yùn)輸貨品的語義風(fēng)險(xiǎn)評(píng)價(jià)結(jié)果?？梢园l(fā)現(xiàn)，本文方法獲得的語義風(fēng)險(xiǎn)評(píng)價(jià)值不再是0 或1 的是非判斷，能夠?qū)崿F(xiàn)風(fēng)險(xiǎn)的柔性劃分，有利于針對(duì)性地設(shè)置多樣化的應(yīng)對(duì)預(yù)案，而且所涉及的詞條也不再依賴《指導(dǎo)目錄》中的固定化表述，使得該方法對(duì)于快遞運(yùn)輸貨品種類繁多的非固定描述具有更好的靈活性與適應(yīng)性。在物流安檢過程中，對(duì)于給出語義風(fēng)險(xiǎn)評(píng)價(jià)值的快遞貨品，可根據(jù)其風(fēng)險(xiǎn)評(píng)價(jià)值設(shè)定不同的管控策略，包括登記備案、開箱檢視、規(guī)勸取消寄遞、予以拒收拒運(yùn)扣押、通報(bào)郵政管理部門、通報(bào)公安部門等響應(yīng)處置。

表6 快遞貨品語義風(fēng)險(xiǎn)評(píng)價(jià)值Table 6 Semantic risk evaluation value of express goods

5 結(jié)論

本文運(yùn)用隱狄利克雷分布模型與模糊均值聚類方法，由法院判決書中的“作案工具”與“判決結(jié)果”文本數(shù)據(jù)發(fā)現(xiàn)了物品與風(fēng)險(xiǎn)的對(duì)應(yīng)關(guān)系，實(shí)現(xiàn)了快遞運(yùn)輸貨品的風(fēng)險(xiǎn)評(píng)價(jià)。研究表明，該語義挖掘方法不受限于既定的違禁品清單，可在更大范圍內(nèi)實(shí)現(xiàn)快遞運(yùn)輸貨品的語義風(fēng)險(xiǎn)識(shí)別與評(píng)價(jià)。風(fēng)險(xiǎn)主題分析結(jié)果說明，快遞運(yùn)輸風(fēng)險(xiǎn)貨品不僅包含了“毒品”“海洛因”“砍刀”“槍支”等違禁品，也存在一些如“鉗子”“剪刀”“扳手”等不在違禁品清單，但同樣在歷史案件中多次充當(dāng)作案工具的風(fēng)險(xiǎn)物品。通過對(duì)快遞運(yùn)輸貨品的實(shí)例分析，本文所提出方法獲得了較好的準(zhǔn)確率與較低的誤報(bào)率，且風(fēng)險(xiǎn)的柔性劃分有利于指導(dǎo)更具針對(duì)性的預(yù)警及應(yīng)對(duì)措施。